| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究的背景和意义 | 第8页 |
| 1.2 裂缝识别研究现状 | 第8-12页 |
| 1.3 卷积神经网络的研究历史 | 第12页 |
| 1.4 目前裂缝识别研究所面临的问题 | 第12-13页 |
| 1.5 本文的研究工作 | 第13-14页 |
| 1.5.1 本文的研究内容 | 第13页 |
| 1.5.2 本文研究的亮点 | 第13-14页 |
| 1.6 各个章节安排 | 第14-16页 |
| 第二章 卷积神经网络 | 第16-24页 |
| 2.1 研究意义 | 第16-17页 |
| 2.2 卷积神经网络的基本结构 | 第17-19页 |
| 2.3 工作原理 | 第19-20页 |
| 2.4 原理分析 | 第20-21页 |
| 2.5 本章小结 | 第21-24页 |
| 第三章 基于光照模型的光照不变量提取算法 | 第24-40页 |
| 3.1 光照算法的研究现状 | 第24页 |
| 3.2 朗伯光照模型 | 第24-25页 |
| 3.3 图像多尺度表示方法 | 第25-32页 |
| 3.3.1 二维小波变换 | 第26-27页 |
| 3.3.2 Conterlet | 第27-30页 |
| 3.3.3 NSCT | 第30-32页 |
| 3.4 滤波方法 | 第32-34页 |
| 3.4.1 Normalshrink | 第32-33页 |
| 3.4.2 Bayesshrink | 第33-34页 |
| 3.5 改进的光照不变量提取算法 | 第34-37页 |
| 3.5.1 LFLLM低频分量提取方法 | 第34-36页 |
| 3.5.2 算法分析 | 第36-37页 |
| 3.6 本章小结 | 第37-40页 |
| 第四章 基于并行同步CNN的不均匀光照破损路面图像分类 | 第40-50页 |
| 4.1 图像融合的发展 | 第40-41页 |
| 4.2 图像融合的原理 | 第41-42页 |
| 4.3 典型的CNN的架构LENET-5 | 第42-44页 |
| 4.4 并行同步卷积神经网络模型 | 第44-46页 |
| 4.5 并行同步卷积神经网络的训练过程 | 第46-47页 |
| 4.6 模型分析 | 第47页 |
| 4.7 本章小结 | 第47-50页 |
| 第五章 破损路面图像分类实验结果与分析 | 第50-60页 |
| 5.1 实验数据和实验平台 | 第50-51页 |
| 5.1.1 实验数据 | 第50-51页 |
| 5.1.2 实验平台 | 第51页 |
| 5.2 实验 1：并行同步卷积神经网络与单路神经网络性能对比 | 第51-52页 |
| 5.3 实验 2：改进的光照不变量提取算法性能对比 | 第52-53页 |
| 5.4 实验 3：卷积神经网络参数对其性能影响 | 第53-56页 |
| 5.4.1 单路卷积神经网络层数与图像大小分析 | 第53-54页 |
| 5.4.2 卷积核大小分析 | 第54-56页 |
| 5.4.3 fc2神经元个数的选取 | 第56页 |
| 5.5 实验 4：光照不变量提取算法参数对其性能研究 | 第56-58页 |
| 5.5.1 τ_1对算法模型的影响 | 第56-57页 |
| 5.5.2 τ_2对算法模型的影响 | 第57-58页 |
| 5.6 本章小结 | 第58-60页 |
| 总结及展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67页 |
